近日从安徽大学传来消息，该校计算机科学与技术学院脑机接口组研发出基于脑电信号的术后意识检测系统，能够以低成本实现良好的集成，为临床提供智能判断依据，显着提高术后病房的工作效率，降低麻醉并发症带来的医疗风险和经济损失。脑机接口（BCI）是指在有机生命体的大脑与具有处理或计算能力的设备之间建立信息交换的连接路径，以实现信息交换和控制。安徽大学计算机科学与技术学院脑机接口课题组长期从事实用型脑机接口系统的自主研发与应用。应用场景脑机接口的应用场景非常丰富，其中医疗救援是一个重要的场景。术后能否准确判断患者的意识状态是影响术后生存和恢复效率的重大问题。传统方法主要采用临床观察和功能磁共振成像（fMRI）。前者依靠人工观察，如瞳孔变化、反射运动等，但主观性强，反应速度慢。后者虽然可以观察大脑活动，但无法捕捉到意识变化的快速而微妙的信号。针对这一痛点，安徽大学团队与安徽医科大学第一附属医院经过长期合作，开发了基于脑电信号的术后意识检测系统。通过引入“听觉注意力检测”技术，机器可以“理解”患者的大脑反应，实现实时、客观、意识水平的定量监测。 “手术后患者的大脑信号非常复杂。要从脑电图信号等混沌信号中读取听觉信息，需要高精度算法。”据团队相关负责人介绍，为了让系统真正“懂大脑”，团队攻克了三个主要研究难题。第一个问题是如何让信号“稳定”。术后脑电信号就像一池被搅动的水，变化无常。语音刺激的非平稳特性将使脑电响应更加复杂，使得传统算法难以从中提取有效特征。团队推荐了一种“双重注意力和时频融合算法”，通过双重筛选和特征融合机制，自动聚焦混沌信号中的主要脑电活动，例如在嘈杂的声音中准确提取主旋律。场，使检测结果更加稳定可靠。第二个问题是如何让解码“快”。在术后监测中，患者的神经反应往往发生在几毫秒内，系统必须尽快捕捉到变化。为此，团队开发了一种轻量级的算法结构，以显着减少计算量，使整个发现过程更加高效。该算法的“体积”仅为传统模型的十分之几，并且可以实现毫秒级的实时解码，真正满足临床实时监测的需求。第三个问题是如何让算法“学得准”。术后患者的脑电特征与普通健康人存在显着差异，且术后样本的获取受到伦理限制，导致训练模型难以直接转移到真实临床所有情况。团队通过引入小样本学习和特征正则化技术，让模型学会从有限的例子中提取“通用规则”，以保持在不同人群、不同情况下的准确性。 性别 目前，该系统已在安徽医科大学第一附属医院、安徽医科大学第二附属医院等多家三级医院进行应用和测试。与传统的人工观察和功能磁共振成像相比，该系统可以更早、更准确地识别患者的意识，检测效率达到80%以上，并在临床试验中表现出良好的可行性和稳定性。通过播放特定的听觉刺激并分析脑电图反应，系统可以自动判断患者是否清醒并发出实时警告，帮助医生及时调整监测计划。医生和护士报告说，该系统“反应灵敏”“结果简单易懂”，为术后监测提供了重要的神经生理学依据。随着智慧医疗建设的推进，该成果为“数字化麻醉”和脑电智能监测提供了新的技术路径，具有巨大的产业化前景。未来，安徽大学脑接口团队将继续拓展算法在意识障碍评估和镇静深度监测方面的研究和应用，利用视觉、听觉、触觉等多种感官进行综合评估，更好地实现手术效果。临床诊断及患者治疗康复（记者陈弯弯）。